接的模型是通用的 LLM 模型还是画 SVG 专用的模型？

实际上任何一个能读图像的模型应该都可以
不需要自己提供截图，直接在 AI Agent 上 prompt: "用 ffmpeg 提取 @video_file.mkv 中的...."就行了
AI Agent 会自己通过字幕提示/二分搜索等等方法，找到想看的帧，自己截图的理解的。

Google 只是把这个过程封装成一个 API 而已。就相当于开一个 subagent 处理这个 task 。

不错，下了 linux appimage 版来用了。之前没找到在 linux 下界面现代且功能比较完善的音乐播放器。你的播放器该有的都有了。
但是扫描音乐文件过程似乎比较卡，以为整个程序挂了。关了再开，只扫了一半音乐文件。在扫描目录 Tab 没找到重新扫描按钮，要在设置页重建索引，似乎不太符合直觉。重建索引没有进度条，整个程序又很卡了，这次我等了，最后是能扫描到所有音乐文件了。

和楼上差不多，手动开 tmux ssh 连上服务器。然后告诉 agent 连上刚才 session 进行操作。如果命令要 sudo ，输完命令后，等待 30s ，我来手动输入。

@RIcter 如果你说的安全性、可控性是指，每次 tool 调用时，命令和参数都是按格式写的，可以很容易校验，拒绝危险操作的话，那这只在禁用 bash tool 的情况下成立。
有 bash tool 的话，Agent 用 bash tool 干啥都行，因为命令内容多种多样，管道、调用 python 、node 写临时脚本，很难去写代码找出 bash 命令中的危险操作。
实际上现在的模型，非常积极的使用 python 写临时脚本来处理任务。禁用 bash 就相当于削弱了模型的能力。

@V2Try skill+cli 可以取代 mcp+tool 。
模型如何使用 mcp? 发起 tool 调用->你的 agent 发现这是由 mcp 提供的 tool->调用 mcp 关联的 cli/发起 mcp 相关的 http 请求->将 cli 输出/http 响应作为 tool 调用结果
那模型如何使用 cli? 发起 bash tool 调用，命令内容是调用 cli -> 使用 bash 子进程执行 cli->cli 输出作为 tool 调用结果

基本上没区别吧？ http 请求用 bash 调用 curl 就行了

实际上，现在的极简 harness 比如 pi 和 dsh 极简模式，只提供 bash+基本的文件编辑 tool ，就没有其他 tool 了，也不支持 mcp

skills+cli 就是用来取代 mcp+tools 的。

mcp+tools 有什么问题？
- mcp 提供的 tools 的定义要全部放入上下文。每个 tool 要怎么用，参数怎么填，全都放入上下文中。使用的 mcp 太多的话，初始一句"hi"都要几十 k 上下文
- 自己写工具要符合 mcp 协议，麻烦；而且 tool 之间无法协作，第一个 tool 调用的输出要作为第二 tool 调用的输入，要怎么办？无法由 Agent 工具处理，要 LLM 自己记住第一个输出，再去用来调用第二个 tool

那换成 skill+cli 呢：
- 相比 mcp+tool ，skill 只将 description 放入上下文，description 只是一句话，讲什么情况下要去阅读这个 skill 。初始上下文少很多。我在 pi 上一般只有 3-4k 初始上下文
- skill 描述的是如何使用 cli 工具。所以只需要用你喜欢的语言普通地写 cli 工具即可，无需符合 mcp 协议。而且 cli 间天生可以用管道协作。比如你的 cli 工具输出 json ，LLM 会直接调用`your-cli | jq ...`来获取想要的字段

另外，skill 只是 markdown 文档，安装只需复制到指定目录。应该比设置 mcp config 文件要方便很多。

广东中山装联通宽带可以找我，千兆 360 一年。如果月租高于 129 的话，千兆宽带免费用。
微信号 base64: Y3VfYnVzdGVy

我最近也写了个类似的东西，实际使用下来，发现最关键的还是代理 IP 的质量。代理 IP 质量不好的话，爬虫大多数时间都卡在等待可用 IP 上了。所以觉得这个服务的最大价值在于代理 IP ，那么定价自然是参考其他的代理 IP 提供商咯。